王永強 謝 軍 律方成

基于改進量子粒子群優(yōu)化稀疏分解的局放信號去噪方法

王永強 謝 軍 律方成

（華北電力大學河北省輸變電設備安全防御重點實驗室 保定 071001）

噪聲抑制是局放在線監(jiān)測的關鍵環(huán)節(jié)之一。針對局放信號噪聲抑制問題，提出一種基于改進量子粒子群優(yōu)化稀疏分解的局放信號去噪方法。該方法基于信號的稀疏分解思想，構建了僅與局放信號時頻特性相匹配的匹配局放信號過完備原子庫；基于匹配追蹤（MP）算法在該原子庫中對染噪局放信號進行最佳匹配原子搜索，并通過改進量子粒子群算法加速搜索進程，同時以殘差比閾值作為MP迭代終止條件；基于各次MP迭代搜索得到最佳匹配原子僅可對原始無噪局放信號分量進行稀疏表示，而難以對噪聲分量進行表示的原理，實現局放信號稀疏分解去噪目的。運用本文介紹方法對局放仿真信號及實測信號進行了去噪處理，并與基于形態(tài)學-小波的局放去噪結果作對比。結果表明，本文介紹方法能有效對局放信號進行去噪處理，去噪結果準確性高且波形無畸變，較好保留局放信號原始特征。

改進量子粒子群 稀疏分解 匹配追蹤 局部放電 信號去噪

1 引言

局部放電（簡稱局放）是電氣設備絕緣發(fā)生劣化的主要征兆，其能有效反映電氣設備的絕緣狀態(tài)，已成為大型電氣設備在線監(jiān)測的主要項目之一[1]。然而由于電氣設備運行現場環(huán)境復雜，局放監(jiān)測信號中存在大量的噪聲干擾，嚴重影響監(jiān)測效果。對局放信號進行有效去噪處理是提高局放監(jiān)測靈敏度與效果的關鍵環(huán)節(jié)之一[1,2-6]?；谛〔ǚ治鲈淼木址判盘柸ピ敕椒壳笆褂幂^多，應用較廣，并且取得了不錯的效果[2-6]。然而其存在著分解尺度及閾值選擇不唯一[5]、難以選取滿足局放信號多樣性要求的合適小波基函數等缺點[6]，這些都直接影響著基于小波理論的局放信號去噪效果。

傳統(tǒng)信號表示方法，如小波分析等，通過有限基函數或基向量的集合表示任意信號，但并未充分考慮信號自身特性，故其表示信號的能力尤其是表示形如局部放電等時頻范圍變化較大的信號的能力是有限的[7]，這也影響了基于傳統(tǒng)信號表示理論的信號去噪方法其去噪效果[8]。信號的稀疏分解[9]是近年來研究較為熱門的一種新型的信號表示方法，其根據信號自身特性，在過完備原子庫中自適應選擇少量原子對信號進行稀疏表示，避免了傳統(tǒng)信號表示方法的缺陷，目前已經較多應用于信號壓縮[10]、圖像去噪[11]、信號識別[12]等諸多領域。

本文提出一種基于改進量子粒子群優(yōu)化稀疏分解的局放信號去噪方法。構建了與局放信號時頻特征相匹配的過完備原子庫，即匹配局放信號過完備原子庫；采用匹配追蹤（Matching Pursuit，MP）算法在該原子庫中對染噪局放信號進行迭代搜索；同時，采用改進量子粒子群算法（Improved Quantumbehaved Particle Swarm Optimization，IQPSO）加速最佳原子搜索進程；由于各次迭代搜索得到的最佳匹配原子可對染噪局放信號中原始無噪信號分量進行稀疏表示，而難以對噪聲分量進行表示，進而實現局放信號稀疏分解去噪目的。采用本文方法對仿真與實測信號進行去噪處理，并與基于形態(tài)學-小波[13-14]的局放去噪方法去噪結果作對比。結果證明，采用本文方法，能有效抑制局放信號噪聲干擾，其去噪效果各項指標均優(yōu)于傳統(tǒng)小波方法，去噪結果誤差小，波形無畸變。

2 基于稀疏分解的局放信號去噪方法

2.1信號的稀疏分解及其匹配追蹤算法

信號的稀疏分解理論最早由Mallet和Zhang提出[9]，其基本原理為:

式中，αq為對應原子的展開系數；Im為q的下標集，card(Im)=m，且有m<

匹配追蹤（Matching Pursuit，MP）算法[9]是目前信號稀疏分解最常用的方法之一，其基本原理為:首先從過完備原子庫D中選取與待分解信號f最為匹配的原子，并滿足

式（2）表明，Hilbert空間H=RN中，是該空間最接近信號f方向的原子，即是最能與信號f匹配的原子。故信號f可分解為

令R1f=f，對信號f進行K次分解后，其可表示為

文獻[9]研究表明，殘差信號的能量會隨著K的增大成指數級收斂，并收斂于零。故信號f可稀疏分解為

2.2基于稀疏分解的局放信號去噪方法

對于染噪局放信號，其數學模型可表述為式中，f為染噪局放信號；fp為原始無噪局放信號；fn為噪聲信號。

由于無噪局放信號fp是有特定結構的，當構建能充分匹配局放信號特征的過完備原子庫D，并在D中對染噪局放信號f進行稀疏分解時，fp的結構特性與D中原子的特性是相關的，fp可用D中原子進行表示；而噪聲信號是沒有一定的結構或者噪聲信號的結構與D中任一原子都難以相關，故噪聲信號難以用D中原子表示。因此對染噪局放信號進行基于MP的稀疏分解時，原子與fp的內積就一定大于原子與fn的內積，最先分解出的一定是原始無噪局放信號，用公式表示就是

式（9）中閾值K確定方法，目前主要有硬門限法和軟門限法。硬門限法是設定K為常數，其方法簡單但誤差較大，K過小時丟失無噪信號成分，K過大時又引入噪聲成分。軟門限法是指當殘差信號小于某一閾值時迭代終止，但對于低信噪比的信號，較大的噪聲分量會對殘差閾值的判斷形成影響，進而影響去噪效果[15]。文獻[15]介紹了一種基于殘差比閾值終止條件，使用殘差比閾值終止條件避免了噪聲能量較大時，對MP分解殘差閾值的判定影響，減少了噪聲干擾，提高了稀疏分解的魯棒性。

設Rkf、Rk+1f分別為第k次與第k+1次殘差值，則殘差比（））k

qRf為

2.3匹配局放信號過完備原子庫

如前文所述，對染噪信號進行基于MP算法的稀疏分解，進而成功實現去噪效果的關鍵是過完備原子庫中各原子與局放信號特征相匹配而與噪聲信號不相關。基于此，本文提出了一種局放脈沖匹配原子，并由此類原子構建了匹配局放信號過完備原子庫。

由于故障位置、放電機理、放電設備等不同，局放信號呈現出多樣性，局放信號通?？捎梢韵滤姆N數學模型表示[16]。

（1）單指數衰減模型。即

（2）單指數振蕩衰減模型。即

（3）雙指數衰減模型。即

（4）雙指數振蕩衰減模型。即

式中，τ為衰減常數；fc為振蕩常數。

總結分析四種局放波沖信號的波形特性，本文構造局放脈沖匹配原子為

式中，γ為原子參數，每個局放脈沖匹配原子包含五個參數γ=（u,β,s ,ω,φ）:u為位移因子；β 為波形因子；s為尺度因子；ω為頻率因子；φ為相位因子。kn為歸一化系數，其使原子滿足歸一化條件。ρ為衰減修正系數，此系數用于避免當s較大時局放脈沖匹配原子與正弦信號相匹配，以有效去除窄帶周期干擾對局放信號的影響。

設局放離散信號采樣長度為N，對原子參數γ=（u,β,s ,ω,φ）進行離散化，其具體方法為:γ=（nu,nβ,ns,2πnω/N,3πnφ/2），nu∈［0,N-1］，nβ∈［0,1］，ns∈[1,N]，nω∈[0,N -1]，nφ=[0,1]，且有nu,nβ,ns, nω,nφ∈Z。得到離散化局放脈沖匹配原子為

對上式進一步分析，可知

（1）當nω=0，nφ=0時，式（16）化為

此時，該類原子與式（11）及式（13）表示的指數衰減型局放信號模型相匹配。

（2）當nφ=1時，式（16）化為

該類原子與式（12）及式（14）表示的振蕩衰減型局放信號模型相匹配。綜上，本文所提局放脈沖匹配原子能很好的與各類型理想局放信號相匹配。

根據局放脈沖匹配原子離散化原子參數取值不同，共可生成4N3個長度為N的局放脈沖匹配原子，且有4N3≥N，滿足過完備字典冗余性要求，故可將此類原子構成匹配局放信號過完備原子庫Dp，長度為N的局放信號可在此過完備原子庫中進行稀疏分解進而達到去噪效果。

3 基于改進量子粒子群算法的最佳匹配原子搜索方法

3.1量子粒子群算法簡介

MP算法從匹配局放信號過完備原子庫中搜索最佳局放脈沖匹配原子，每一次過程都要完成多參數優(yōu)化問題。由于與長度為N的局放信號相匹配的匹配局放信號過完備原子庫其原子數目為4N3，因此，傳統(tǒng)的MP算法計算量將是巨大的。

Sun等人將粒子群算法（Particle Swarm Optimization，PSO）同量子理論相結合，提出量子粒子群優(yōu)化算法（Quantum-behaved Particle Swarm Optimization，QPSO）[17]。相比PSO算法，QPSO可在整個可行域內進行尋優(yōu)，其全局收斂能力大大提高，且以概率1收斂[18]。QPSO算法采用量子學中波函數描述粒子位置，通過求解薛定諤方程得到粒子在空間某一位置的概率密度函數，并由蒙特卡羅隨機模擬得到粒子位置方程

式中，±號取值概率相等；gbest(t)為到t代時，粒子的個體最優(yōu)位置，gbest為種群的全局最優(yōu)位置；p為吸引子，且有

C(t)為到t代時，粒子個體平均最優(yōu)位置，即

式中，M為粒子數目。

式（19）中，α為收縮擴張系數，其是QPSO算法中唯一的參數。當α較大時，此時粒子搜索空間較大，算法收斂速度較快但精度不高；α較小時，此時算法精度較高但收斂較慢。一般隨著迭代次數增加，α設置為線性遞減，使算法初期收斂較快而后期收斂精度提高[17-18]。

3.2改進量子粒子群算法

傳統(tǒng)QPSO算法其收縮擴張系數是線性遞減的，這種α確定方法獨立于算法本身較為固定，但實際搜索過程往往是非線性的且高度復雜的，α應能反映粒子運行過程中的實際狀況而自適應變化，而且使用傳統(tǒng)的QPSO算法也存在著易陷入局部最優(yōu)的缺陷[17]?；贛P算法的最佳原子尋優(yōu)這一實際問題，本文提出了基于自適應收縮擴張系數結合混沌擾動的改進量子粒子群算法（Improved Quantumbehaved Particle Swarm Optimization，IQPSO），提高收斂速度與收斂精度，防止算法陷入局部最優(yōu)。

以局放脈沖匹配原子其原子參數為待尋優(yōu)參數組，以原局放信號或其殘差信號與原子的內積絕對值為適應度函數f。定義進化速度因子為

式中，f(gbest(t-1))與f(gbest(t))分別為第t-1次與第t次全局最優(yōu)位置的適應度值。

由于全局最優(yōu)位置隨著迭代進行總是保持或更新，即f(gbest(t))>> f(gbest(t-1))＞0，故v∈(0,1]。

對進化速度因子進行分析可知:v值較小時，全局最優(yōu)位置適應度值變化較大，此時進化較快； v值較大時，此時進化較慢；v=1時，進化停止。當進化速度較快v較小時，粒子距最優(yōu)位置較遠，此時粒子應有較大的搜索范圍即提高α值以快速尋優(yōu)；當進化速度較慢v較大時，粒子靠近最優(yōu)位置，此時應減小粒子搜索范圍即減小α值以精確尋優(yōu)。考慮到實際進化過程影響，本文提出的基于粒子進化速度因子的自適應收縮擴張因子為式中，α0為α初值，一般取1；α1為速度因子權重，一般取0.5，則[0.5,1] α∈。

同時為了進一步避免算法陷入局部最優(yōu)，當全f(gbest(t))連續(xù)數次停止更新時，對粒子進行如下混沌變異操作:

（1）將粒子位置映射到區(qū)間[0,1]內，即

（2）對X′進行Logistic混沌運算[19]，即

式中，Xmax、Xmin分別為粒子尋優(yōu)范圍上下限。

3.3基于改進量子粒子群優(yōu)化稀疏分解的局放信號

去噪方法具體步驟

基于改進量子粒子群優(yōu)化稀疏分解的局放信號去噪方法具體步驟如下:

（1）以原局放信號或殘差信號與原子的內積作為適應度函數，以局放脈沖匹配原子其原子參數為待尋優(yōu)參數組。確（3）將X′重新映射到X的尋優(yōu)范圍內，即定種群規(guī)模n、IQPSO最大迭代次數T、允許最大迭代停止更新次數M。

（2）對染噪局放信號或其殘差信號進行MP分解，根據各原子參數范圍對種群進行初始化，置當前迭代停止更新累計次數N=1。

（3）計算各粒子的適應度值，比較并更新記錄各粒子的個體歷史最優(yōu)適應度值及位置，比較并更新記錄全局歷史最優(yōu)適應度值及位置。

（4）若迭代次數t=1，則收縮擴張因子α=1，若t≥2，則計算進化速度因子v并自適應更新收縮擴張因子α。

（5）若v=1，則N=N+1；若N＜M，則根據量子粒子群進化方法對粒子進行進化操作；若N=M，則對粒子位置進行混沌變異操作，并對N進行初始化即N=1。

（6）判斷是否滿足IQPSO迭代終止條件，若不滿足則轉到步驟（3）；若滿足則得到該次迭代最優(yōu)局放脈沖匹配原子。計算并保存殘差信號

式中，k為MP迭代次數。

（7）根據殘差比閾值條件，確定是否滿足MP計算迭代終止條件，若不滿足則返回步驟（2）并代入步驟（6）生成的新殘差信號重復上述過程，若滿足則去噪結束。去噪后局放信號為

4 仿真驗證與分析

4.1局放信號仿真

為了驗證本文所提局放去噪方法的有效性，對局放仿真信號進行了去噪處理。圖2a為理想局放信號仿真波形，該信號共含四個局放脈沖波形，從左至右依次為單指數衰減型脈沖、單指數振蕩衰減型脈沖、雙指數衰減型脈沖、雙指數振蕩衰減型脈沖。衰減常數τ為1.3μs，振蕩常數fc為1.2MHz，信號采樣頻率fs為20MHz，采樣時間為200μs，各局放脈沖幅值歸一化為1。在理想局放仿真信號加入噪聲以模擬含噪局放信號，噪聲主要包括局放信號干擾中常見的白噪聲隨機干擾及窄帶干擾。其中局放白噪聲隨機干擾采用（0,0.32）分布的高斯白噪聲信號模擬；局放窄帶干擾采用歸一化幅值為0.2，頻率分別100kHz、300kHz、500kHz、1MHz及2 MHz的正弦信號模擬。染噪局放仿真信號波形如圖2b所示，經計算該信號信噪比為-8.2 dB。

圖1 局部放電仿真信號Fig.1 PD simulation signal

4.2去噪結果分析

采用本文介紹方法對染噪局放信號進行去噪處理。其中，初始種群數目為50，IQPSO最大進化次數為400，最大允許迭代停止更新次數為10。其去噪結果如圖4a所示。

為了對比說明本文方法去噪效果，本文選擇形態(tài)學-小波綜合去噪方法[13-14]對該仿真信號進行去噪處理。該方法利用數學形態(tài)學濾波器在頻域濾除窄帶干擾信號離散譜線，同時保留局放信號特征譜線以抑制局放窄帶周期性干擾；采用小波方法抑制局放白噪聲隨機噪聲干擾。其中形態(tài)學濾波器基于最小均方（LSM）原理由形態(tài)學開、閉組合而成，其結構元素自適應[14]；小波包分別選擇目前應用于局放去噪領域較多的Db2與Db8小波[5]，其去噪結果分別如圖2b、圖2c所示。

圖2 局放仿真信號去噪結果Fig.2 PD simulation signal denoising results

引入信噪比（Signal to Noise Rator，SNR），波形相似系數（Normalized Correlation Coefficient，NCC），變化趨勢參數（Variation Trend Parameter，VTP）及幅值相對誤差等作為局放信號去噪效果評價指標。其中，NCC用于評價去噪后局放恢復信號與原理想局放信號波形相似程度，其取值為[-1,1]，且越接近1兩者波形越相似；VTP代表兩波形振蕩變化趨勢相似度，其值越接近1，兩波形振蕩變化趨勢也就越相似。各評價指標具體定義及計算方法可見文獻[20]。分別計算上述三種局放去噪方法去噪效果評價指標，其結果如表1所示。

表1 去噪效果評價指標計算結果Tab.1 Calculation results of denoising performance parameters

綜合圖2及表1結果，對比三種方法去噪結果及去噪效果評價指標，可得如下結論:

（1）本文介紹的基于改進量子粒子群優(yōu)化的局放信號稀疏分解去噪方法，其去噪前后各脈沖時域波形未發(fā)生明顯畸變，波形及波形振蕩趨勢保持不變，幅值誤差最小，去噪后恢復信號噪聲含量最低，各局放脈沖去噪效果評價參數最優(yōu)，去噪效果明顯優(yōu)于另外兩種方法。

（3）基于形態(tài)學-小波的局放信號去噪方法，去噪后信號與原局放信號相比，幅值均有誤差且波形均有畸變。本次仿真結果表明，若選擇Db2小波，則對指數衰減型局放信號去噪效果較好，對于振蕩衰減型信號去噪效果明顯降低；若選擇Db8小波，對于振蕩衰減型局放信號去噪效果較好，但對指數衰減型信號去噪效果較差。

進一步分析可知，小波方法通過小波基伸縮變換逼近待分析信號，選用不同小波基，其去噪效果將會有明顯不同，當小波基的形狀與待分析信號差異較大時，很難獲得理想去噪效果；同時小波分解層數及閾值選擇均會對去噪效果產生影響[6,21]。究其原因，主要是因為小波分析的實質通過有限基函數或基向量的集合表示任意信號，卻并未充分考慮信號自身特性，而且該基函數或基向量的組合描述信號的能力也是有限的，故其表示形如局部放電等時頻范圍變化較大的信號能力是有限的，因此也影響了基于小波分析理論的局放去噪方法去噪效果。

本文所提局放信號去噪方法，其實質是信號的稀疏分解，由于匹配局放信號過完備原子庫的冗余特性，其基本涵蓋了局放信號時頻范圍的所有特征，基于匹配追蹤算法選取少量原子對局放信號進行稀疏分解及稀疏表示，實現了對原無噪局放信號的精確重構，即實現了含噪局放信號的高效去噪，故本文方法取得較好去噪效果。同時，本文采用IQPSO算法，僅需對種群中各個體數據進行保存，進而迭代更新以得到最優(yōu)原子，克服了傳統(tǒng)MP算法需對所有原子參數進行保存而使得存儲量大的問題。

圖3為采用本文方法對仿真局放信號去噪前后各局放脈沖波形對比圖，其中虛線為局放原始信號，實線為局放去噪恢復信號（即各最佳局放脈沖匹配原子波形，兩者僅為幅值差別）。

圖3 去噪前后各局放脈沖波形對比圖Fig.3 Comparisons of every PD pulses before and after denoising

由圖3可進一步看出，采用本文方法局放去噪結果準確性高及波形無畸變的特點；最佳局放脈沖匹配原子波形與各局放脈沖信號波形一致，通過原子參數能準確得到局放信號主要特征參數，這些特征參數可為后續(xù)局放信號分析提供重要依據。當然，這需要后續(xù)大量理論與實驗的分析與驗證。

圖4為采用傳統(tǒng)QPSO算法和本文所提IQPSO算法進行MP最佳匹配原子搜索時，適應值收斂曲線。其中縱坐標為是適應值即內積數值，橫坐標為種群迭代更新次數，虛線為采用傳統(tǒng)QPSO算法，實線為本文所提IQPSO算法。

圖4 QPSO算法與IQPSO算法收斂效果對比圖Fig.4 QPSO and IQPSO convergence effect comparison chart

由圖4可知，由于噪聲的影響，MP尋優(yōu)存在著局部最優(yōu)值，QPSO算法易于陷入局部最優(yōu)而難以找到全局最優(yōu)，本文采用的混沌變異操作有效克服局部收斂對MP尋優(yōu)結果的影響，易于得到全局最優(yōu)；同時，本文根據尋優(yōu)函數自身特性采用自適應收縮擴張系數，使算法收斂速度更快。故本文所提IQPSO算法有效提高最佳原子搜索速度與效果。

5 實測信號驗證

5.1實驗室實測信號驗證

在實驗室中采用在變壓器油中放置尖端放電模型來模擬絕緣缺陷以獲得實測局放信號，如圖5所示。其中，尖端放電模型針電極曲率半徑為0.5mm，錐角70°，尖長35mm，上下極間距為12mm。

圖5 尖端放電模型Fig.5 Tip discharge model

圖6 為實驗室中采用上述放電模型得到的兩局放信號實測波形，其幅值進行歸一化處理，采樣頻率為25MHz。由于實驗室干擾較弱，局放原始信號可較容易區(qū)分，本文采取測量實驗室本底噪聲并放大疊加到局放實測信號中以模擬含噪局放信號，其波形如圖7所示。

圖6 實驗室測量局放信號Fig.6 Laboratory measured PD signals

圖7 加入噪聲后實驗室局放測量信號Fig.7 Laboratory measured PD signals with noise

采用本文介紹方法對上述含噪局放信號進行去噪處理，去噪結果如圖8a所示。同時，本文一并給出采用基于Db2小波與Db8小波的形態(tài)學-小波方法去噪結果，分別如圖8b、圖8c所示。

圖8 實驗室實測局放信號去噪結果Fig.8 Laboratory measured PD signals denoising results

由于原始局放測量信號噪聲干擾較小，可將其近似等效為理想無噪局放波形，計算各方法去噪效果評價指標，其結果如表2所示。

表2 實驗室實測局放信號去噪效果評價指標Tab.2 Laboratory measured PD signal denoising performance parameters

綜合圖8及表2結果，三種方法均能對實驗室實測染噪局放信號進行恢復，但采用小波方法其去噪結果能量損失較大，且波形有較大畸變，去噪效果較差；本文介紹局放信號去噪方法噪結果準確性高，波形無畸變，較好保留了原始局放信號局部特征，且去噪效果評價指標如NCC、VTP等接近于理想值1，其去噪效果明顯優(yōu)于小波方法。

5.2現場實測信號驗證

圖9為現場某變電站實測局放原始信號，采樣頻率為10MHz。由于現場噪聲水平較高，局放信號已被嚴重干擾，某些幅值較小局放脈沖甚至淹沒于噪聲之中難以區(qū)分。

圖9 現場實測局放信號Fig.9 Field partial discharge signal

采用本文介紹方法對該實測信號進行去噪處理，其結果如圖10所示，由圖可知，本文算法能有效將現場含有大量噪聲的局放信號提取出來。

圖10 實測局放信號去噪結果Fig.10 Field partial discharge signal Denoising result

由于無法得到不含噪聲的實測局放信號，故無法計算NCC、VTP等去噪效果評價指標，可采用噪聲抑制比[14]進行去噪效果評價，其定義為

式中，σ1、σ2為去噪前后信號偏差。ρNRR反映了去噪后有效信號的凸顯程度。經計算，采用本文介紹方法去噪結果其噪聲抑制比ρNRR為21.07，這說明，本文算法對現場局放信號噪聲抑制具有較好效果。

6 結論

本文提出一種基于改進量子粒子群優(yōu)化稀疏分解的局放信號去噪方法，并通過仿真及實測信號驗證了該方法的有效性。本文結論如下:

（1）對染噪局放信號進行MP計算，在匹配局放信號過完備原子庫中自適應選取少量原子，可實現對原始無噪局放信號分量稀疏表示，而難以對噪聲分量稀疏表示，進而實現去噪效果。

（2）引入了進化速度因子，實現收縮擴張系數根據算法自身進化情況自適應更新；采用了混沌變異操作，防止粒子陷入局部最優(yōu)。本文所提改進量子粒子群算法有效提高最佳原子搜索速度與效果。

（3）對仿真信號及實測信號的去噪效果表明:本文介紹方法其去噪效果各項指標均優(yōu)于傳統(tǒng)小波方法，去噪結果準確性高且波形無畸變，較好保留局放信號特征，便于后續(xù)分析。

[1] 王昌長, 李福琪, 高勝友. 電力設備的在線監(jiān)測與故障診斷[M]. 北京: 中國電力出版社, 2006.

[2] 楊霽, 李劍, 王有元, 等. 變壓器局部放電監(jiān)測中的小波去噪方法[J]. 重慶大學學報, 2004, 27(10): 67-70.

Yang Ji, Li Jian, Wang Youyuan, et al. Application of wavelet denoising in partial discharge online monitoring of transformer[J]. Journal of Chongqing University, 2004, 27(10): 67-70.

[3] 尚海昆, 苑津莎, 王瑜, 等. 平移不變小波跡消噪方法在局部放電檢測中的應用[J]. 電工技術學報, 2013, 28(10): 33-40.

Shang Haikun, Yun Jinsha, Wang Yu. Application of wavelet footprints based on translation-invariant in of partial discharge signal detection[J]. Transactions of China Electrotechnical Society, 2013, 28(10): 33-40.

[4] Dey D, Chatterjee B, Chakravorti S, et al. Crosswavelet transform as a new paradigm for feature extraction from noisy partial discharge pulses[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2010, 17(1): 157-166.

[5] 江天炎, 李劍, 杜林, 等. 粒子群優(yōu)化小波自適應閾值法用于局部放電去噪[J]. 電工技術學報, 2012, 27(5): 77-83.

Jiang Tianyan, Li Jian, Du Lin, et al. Denoising for partial discharge signals using PSO adaptive wavelet threshold estimation[J]. Transactions of China Electrotechnical Society, 2012, 27(5): 77-83.

[6] 錢勇, 黃成軍, 陳陳, 等. 多小波消噪算法在局部放電檢測中的應用[J]．中國電機工程學報, 2007, 27(6): 89-95．

Qian Yong, Huang Chengjun, Chen Chen, et al. Application of multi-wavelet based on denoising algorithm in partial discharge detection[J]. Proceedings of the CSEE, 2007, 27(6): 89-95.

[7] 朱明. 復雜體制雷達輻射源信號時頻原子特征研究[D]. 成都, 西南交通大學, 2008.

[8] 羅勇江. 寬帶數字偵察接收機若干關健技術研究及應用[D]. 西安, 西安電子科技大學, 2012.

[9] Mallat S. G, Zhang Zhifeng. Matching pursuits with time-frequency dictionaries[J]. IEEE Transactions on Signal Processing, 1993, 41(12): 3397-3415.

[10] 宋蓓蓓, 孫文方. 基于稀疏重建的壓縮圖像質量提高方法[J]. 華中科技大學學報(自然科學版), 2012, 40(9): 30-33, 43.

Song Beibei, Sun Wenfang. Compression image quality improvement via sparse reconstruction[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2012, 40(9): 30-33, 43.

[11] Protter M, Elad M．Image sequence denoising via sparse and redundant representations[J]. IEEE Transactions on Image Processing, 2009, 18(1): 27-35.

[12] John Wright, Allen Y. Yang, Arvind Ganesh, et al. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.

[13] 劉云鵬, 律方成, 李成榕, 等. 形態(tài)學一小波綜合濾波器抑制局放現場干擾[J]. 高電壓技術, 2004, 30(2): 29-31.

Liu Yunpeng, Lü Fangcheng, Li Chengrong, et al. Study of novel integrated morphology-wavelet filter in suppressing PD’s field noise[J]. High Voltage Engineering, 2004, 30(2): 29-31.

[14] 劉云鵬, 律方成, 李成榕, 等. 基于數學形態(tài)濾波器抑制局部放電窄帶周期性干擾的研究[J]. 中國電機工程學報, 2004, 24(3): 169-173.

Liu Yunpeng, Lü Fangcheng, Li Chengrong, et al. Study of the mathematical morphological filter in suppressing periodic narrow bandwidth noise of PD[J]. Proceedings of the CSEE, 2004, 24(3): 169-173.

[15] 梁巍, 闕沛文, 陳亮, 等. 基于殘差比閾值的迭代終止條件匹配追蹤稀疏分解方法[J]. 上海交通大學學報, 2010, 2(44): 171-175.

Liang wei, Que Peiwen, Chen Liang, et al. Residual ratio iteration termination condition for MP method[J]. Journal of Shanghai Jiaotong University, 2010, 2(44): 171-175.

[16] 黃成軍, 郁惟鏞. 基于小波分解的自適應濾波算法在抑制局部放電窄帶周期干擾中的應用[J]. 中國電機工程學報, 2003, 23(1): 107-111.

Huang Chengjun, Yu Weiyong. Study of adaptivefilter algorithm based on wavelet analysis in suppressing PD’s periodic narrow bandwidth noise[J]. Proceedings of the CSEE, 2003, 23(1): 107-111.

[17] Sun J, Feng B, Xu W. Particle swarm optimization with particles having quantum behavior[C]. Congress on Evolutionary Computation, Portland, USA, 2004: 325-331.

[18] 方偉, 孫俊, 謝振平. 量子粒子群優(yōu)化算法的收斂性分析及控制參數研究[J]. 物理學報, 2010, 59(6): 3686-3694.

Fang Wei, Sun Jun, Xie Zhenping. Convergence analysis of quantum behaved particle swarm optimization algorithm and study on its control parameter[J]. Acta Physica Sinica, 2010, 59(6): 3686-3694.

[19] 朱敏, 楊春玲. 基于混沌序列的時序數字電路BIST技術[J]. 電工技術學報, 2010, 25(6): 144-149.

Zhu Min, Yang Chunling. BIST technique of sequential circuits based on chaotic sequence[J]. Transactions of China Electrotechnical Society, 2010, 25(6): 144-149.

[20] 唐炬, 高麗, 彭莉, 等. 非平穩(wěn)振蕩局放信號去噪效果評價參數研究[J]. 高電壓技術, 2007, 33(12): 66-70.

Tang Ju, Gao Li, Peng Li, et al. Study on new evaluation parameters for denoising performance of non- stationary oscillating partial discharge signals[J]. High Voltage Engineering, 2007, 33(12): 66-70.

[21] 李天云, 高磊, 聶永輝. 基于經驗模式分解處理局部放電數據的自適應直接閾值算法[J]. 中國電機工程學報, 2006, 26(15): 29-34.

Li Tianyun, GaoLei, Nei Yonghui. A new adaptive direct-threshold algorithm to partial discharge data processing based on empirical mode decomposition[J]. Proceedings of the CSEE, 2006, 26(15): 29-34.

PD Signal Denoising Method Based on Improved Quantum-Behaved Particle Swarm Optimization Sparse Decomposition

Wang Yongqiang Xie Jun Lü Fangcheng
（Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense
North China Electric Power University Baoding 071003 China）

Noise suppression is one of the key links for partial discharge(PD) online monitoring. Focusing on the noise suppression, a PD signal denoising method based on improved quantum-behaved particle swarm optimization sparse decomposition was given in this paper. More specifically, the principle of this method is signal sparse decomposition. The partial discharge signal matching overcomplete dictionary which only matches the features of PD signals was built. Based upon these, polluted PD signal was sparse decomposed by matching pursuit(MP) algorithm in this dictionary to search the best matching atoms. Meanwhile, the improved quantum-behaved particle swarm optimization(IQPSO) was presented to accelerate the searching process, and the residual ratio was chosen to be the terminating condition of the iteration as well. Since no noise PD signal component can be sparse represented by the best atoms while the noise cannot, the goal of denoising was finally achieved. The denoising method presented in this article is applied on the simulated and measuring signals, the results are critical compared with the effect of the PD denoising method based on the morphological wavelet, the results show that the denoising method of this paper is available to precisely suppress the noise interference of PD signal with high accuracy results; the distortion of waveform after denoising cannot be found and the features of PD signal were well kept.

Improved quantum-behaved particle swarm optimization(IQPSO), sparse decomposition, matching pursuit(MP), partial discharge(PD), denoising

TM835

王永強 男，1975年生，博士，副教授，研究方向電氣設備在線監(jiān)測與故障診斷。

國家高技術研究發(fā)展計劃（863計劃）（2012AA050802）、國家電網資助項目（GY17201200047）和中央高校基金（13MS73）資助項目。

2014-04-14 改稿日期 2014-06-17

謝 軍 男，1988年生，博士研究生，研究方向為電氣設備在線監(jiān)測與故障診斷。